Evidence-Based Practice

Puncak dari penerapan Learning Analytics adalah di mana data tidak hanya dikumpulkan, tetapi diubah menjadi tindakan nyata untuk meningkatkan kualitas pembelajaran. Berikut adalah riset mendalam mengenai Evidence-Based Practice (EBP) dan hubungannya dengan teknologi pendidikan.

1. Evidence-Based Practice (EBP) dalam Pendidikan

EBP adalah penggunaan bukti penelitian terbaru dan terbaik, yang dikombinasikan dengan keahlian pendidik dan data siswa, untuk membuat keputusan instruksional.

Data-Driven Decision Making (DDDM)

DDDM adalah proses sistematis di mana pendidik memeriksa data untuk memandu pemilihan strategi pembelajaran.

Tingkatan Pengambilan Keputusan:

Tingkat Kelas: Guru menyesuaikan materi hari ini berdasarkan hasil kuis kemarin.
Tingkat Sekolah: Kepala sekolah mengalokasikan anggaran untuk pelatihan guru di bidang literasi karena skor data menunjukkan penurunan.
Tingkat Individu: Siswa memantau progresnya sendiri melalui dashboard untuk menentukan area mana yang perlu dipelajari lebih dalam.

2. Learning Progression dan Mastery Learning

Analitik memungkinkan kita untuk memantau perjalanan belajar siswa secara jauh lebih detail dibandingkan ujian tradisional.

A. Learning Progression (Kemajuan Belajar)

Ini adalah peta jalan (roadmap) tentang bagaimana pemahaman siswa tentang suatu topik berkembang dari tingkat dasar ke tingkat ahli.

Analitik yang digunakan: Longitudinal analysis (melihat pertumbuhan dari waktu ke waktu).
Manfaat: Membantu guru mendeteksi di mana siswa “tersangkut” dalam suatu konsep sebelum mereka tertinggal jauh.

B. Mastery Learning (Pembelajaran Tuntas)

Berdasarkan filosofi Benjamin Bloom, siswa harus mencapai tingkat kemahiran tertentu (misal: 80% benar) pada satu topik sebelum diizinkan lanjut ke topik berikutnya.

Peran Teknologi: Platform Adaptive Learning secara otomatis mengunci materi lanjutan jika kriteria ketuntasan belum tercapai.
Analitik yang digunakan: Threshold analysis dan Automated feedback.

3. Materi Tambahan: Teknologi Pendidikan sebagai “Enabler”

Bagaimana teknologi memungkinkan EBP, Learning Progression, dan Mastery Learning bekerja secara otomatis?

A. Competency-Based Education (CBE) Platforms

Teknologi seperti Khan Academy atau DreamBox adalah contoh nyata implementasi analitik untuk Mastery Learning.

Sistem melacak setiap butir soal yang dikerjakan.
Jika siswa gagal, sistem memberikan video tutorial yang spesifik mengenai kesalahan tersebut (Diagnostic Analytics).

B. Learning Analytics Dashboards (LAD)

Visualisasi data yang komunikatif sangat krusial di sini. Dashboard yang baik harus:

Heuristic Evaluation: Desain harus intuitif agar guru tidak bingung.
Visual Cueing: Menggunakan warna (Hijau: Aman, Kuning: Waspada, Merah: Intervensi Segera).

C. Efektivitas Intervensi (Effect Size)

Dalam EBP, kita sering mengukur dampak teknologi menggunakan $Effect Size$ (Ukuran Efek). Rumus sederhananya adalah:

$$d = \frac{\bar{x}{setelah} - \bar{x}{sebelum}}{s_{gabungan}}$$

Di mana:

$d$ : Cohen’s $d$ (Effect Size)
$\bar{x}$ : Rata-rata skor
$s$ : Standar deviasi

Catatan: Jika $d > 0.40$, maka teknologi atau metode pembelajaran tersebut dianggap memiliki dampak yang signifikan terhadap hasil belajar siswa (Hattie’s Barometer of Influence).

4. Kerangka Kerja Praktis untuk Mahasiswa

Untuk mencapai target hasil pembelajaran Anda, ikuti langkah-langkah berikut saat menghadapi data akademik:

Langkah	Deskripsi	Tool yang Digunakan
Identifikasi	Tentukan pertanyaan: “Mengapa nilai kuis modul 2 rendah?”	LMS Logs / Grades
Pengolahan	Bersihkan data dari outliers atau data yang hilang.	Excel / Python (Pandas)
Analisis	Cari korelasi antara waktu baca materi dengan nilai kuis.	Statistik (Korelasi/Regresi)
Visualisasi	Buat grafik Scatter Plot untuk menunjukkan pola tersebut.	Tableau / Power BI
Keputusan	”Guru perlu merevisi modul 2 atau menambah sesi tanya jawab.”	Laporan Rekomendasi